[发明专利]一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质

权利要求书

1.一种基于工业物联网的机械设备故障预警方法，其特征在于，所述方法包括：

传感节点采集机械设备状态数据，将所述机械设备状态数据传输至数据网关做预判处理，若当前机械设备状态数据与预设标准状态数据差的绝对值大于预设阈值，则机械设备状态数据上传至云服务器；

所述云服务器对机械设备状态数据预处理后提取特征值，将特征值数据利用分类故障模型进行预警诊断，得到诊断结果。

2.根据权利要求1所述的一种基于工业物联网的机械设备故障预警方法，其特征在于，若采集的机械设备状态值与预设标准状态值差的绝对值小于预设阈值，则记录当前时间时刻t1,若在t1时刻之后预设的时间段T内，所述机械设备状态值与预设标准状态值差的绝对值均小于预设阈值，则调整采样频率为当前采样频率的n倍，继续采样T时间段并对采样的机械设备状态数据做预判处理。

3.根据权利要求1所述的一种基于工业物联网的机械设备故障预警方法，其特征在于，所述分类故障预警模型包括：异常捕获模型、故障分析模型、故障诊断模型；所述异常捕获模型用于对特征值数据分析后捕获异常从而进行状态预警；所述故障分析模型用于在异常捕获之后进行故障原因分析；所述诊断模型用于对故障分析的结果做出故障分类和最终诊断。

4.根据权利要求3所述的一种基于工业物联网的机械设备故障预警方法，其特征在于，所述分级预警模型中预设有故障专家知识库，所述故障专家知识库基于历史故障数据训练得到。

5.根据权利要求1所述的一种基于工业物联网的机械设备故障预警方法，其特征在于，所述分类故障模型基于卷积神经网络训练模型训练得到，其训练过程具体为：

步骤1：获取不同故障对应的机械设备状态数据，进行去噪预处理后通过傅里叶变换生成频谱图并按预设的比例分为训练样本和测试样本；

步骤2：建立卷积神经网络模型并初始化参数，确定网络参数，所述网络参数包括有：学习率、迭代次数；

步骤3：将训练样本输入到卷积神经网络模型中，通过前向传播求得输出值和期望值的误差；

步骤4：判断卷积神经网络模型是否收敛，若收敛则执行步骤6,否则执行步骤5；

步骤5：反向传播和权值修改，利用随机梯度下降算法将步骤4求得的误差反向逐层传播，更新权值，重复步骤3到步骤5，直至卷积神经网络模型收敛；

步骤6：根据测试样本的准确度判断卷积神经网络模型是否满足要求，如满足执行步骤7，否则跳转到步骤2，修改网络参数；

步骤7：输出训练完毕的卷积神经网络模型，用于故障预警。

6.根据权利要求5所述的一种基于工业物联网的机械设备故障预警方法，其特征在于，所述神经网络模型采用的损失函数为交叉熵损失函数，具体如下：

其中，1{y_i＝j}为示性函数，表示括号内的值为真时值为1，为假时值为0；K为样本的总数，C为样本的类别数，y_i是第i样本的真实值，是第i样本为第j各类别的预测概率。

7.根据权利要求6所述的一种基于工业物联网的机械设备故障预警方法，其特征在于，神经网络在训练过程中，前向传播计算误差值，误差值反向传播，更新每一层的W和e，参数的更新公式如下：

其中，η卷积神经网络的学习率。

8.一种基于工业物联网的机械设备故障预警系统，其特征在于，包括存储器和处理器，所述存储器中包括基于工业物联网的机械设备故障预警方法程序，所述基于工业物联网的机械设备故障预警方法程序被所述处理器执行时实现如下步骤：

传感节点采集机械设备状态数据，将所述机械设备状态数据传输至数据网关做预判处理，若当前机械设备状态数据与预设标准状态数据差的绝对值大于预设阈值，则机械设备状态数据上传至云服务器；

所述云服务器对机械设备状态数据预处理后提取特征值，将特征值数据利用分类故障模型进行预警诊断，得到诊断结果。